論文の概要: Two-dimensional Taxonomy for N-ary Knowledge Representation Learning Methods
- arxiv url: http://arxiv.org/abs/2506.05626v2
- Date: Sun, 29 Jun 2025 19:40:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-01 19:22:02.166191
- Title: Two-dimensional Taxonomy for N-ary Knowledge Representation Learning Methods
- Title（参考訳）: N-ary Knowledge Representation Learning のための2次元分類法
- Authors: Xiaohua Lu, Liubov Tupikina, Mehwish Alam,
- Abstract要約: 本調査では,n-aryリレーショナルデータを扱う手法を概観し,知識ハイパーグラフとハイパーリレーショナル・ナレッジグラフの両文献について概観する。
本稿では,2次元分類法を提案する。第1次元分類法は,それらの方法論,すなわち翻訳ベースモデル,ディープニューラルネットワークベースモデル,論理ルールベースモデル,ハイパーエッジ拡張ベースモデルに基づいて分類する。
第2の次元は、n-ary関係における実体的役割と位置の認識に基づいてモデルを分類し、それらを無意識、位置認識、役割認識のアプローチに分割する。
- 参考スコア（独自算出の注目度）: 0.12289361708127876
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Real-world knowledge can take various forms, including structured, semi-structured, and unstructured data. Among these, knowledge graphs are a form of structured human knowledge that integrate heterogeneous data sources into structured representations but typically reduce complex n-ary relations to simple triples, thereby losing higher-order relational details. In contrast, hypergraphs naturally represent n-ary relations with hyperedges, which directly connect multiple entities together. Yet hypergraph representation learning often overlooks entity roles in hyperedges, limiting the finegrained semantic modelling. To address these issues, knowledge hypergraphs and hyper-relational knowledge graphs combine the advantages of knowledge graphs and hypergraphs to better capture the complex structures and role-specific semantics of real world knowledge. This survey provides a comprehensive review of methods handling n-ary relational data, covering both knowledge hypergraphs and hyper-relational knowledge graphs literatures. We propose a two-dimensional taxonomy: the first dimension categorises models based on their methodology, i.e., translation-based models, tensor factorisation-based models, deep neural network-based models, logic rules-based models, and hyperedge expansion-based models. The second dimension classifies models according to their awareness of entity roles and positions in n-ary relations, dividing them into aware-less, position-aware, and role-aware approaches. Finally, we discuss existing datasets, training settings and strategies, and outline open challenges to inspire future research.
- Abstract（参考訳）: 現実世界の知識は、構造化された、半構造化された、非構造化されたデータを含む様々な形態をとることができる。
これらのうち、知識グラフは、異種データソースを構造化表現に統合する構造化人間の知識の形式であるが、典型的には複雑なn-ary関係を単純な三重項に還元し、高次関係の詳細を失う。
対照的に、ハイパーグラフは自然に、複数の実体を直接接続するハイパーエッジとのn-ary関係を表す。
しかし、ハイパーグラフ表現学習は、しばしばハイパーエッジにおけるエンティティの役割を見落とし、きめ細かいセマンティックモデリングを制限する。
これらの問題に対処するため、知識ハイパーグラフとハイパーリレーショナル・ナレッジグラフは、知識グラフとハイパーグラフの利点を組み合わせて、現実世界の知識の複雑な構造と役割固有のセマンティクスをよりよく捉えている。
本調査では,n-aryリレーショナルデータを扱う手法を概観し,知識ハイパーグラフとハイパーリレーショナル・ナレッジグラフの両文献について概観する。
本稿では,2次元分類法を提案する。第1次元分類法は,それらの方法論に基づくモデル,すなわち翻訳に基づくモデル,テンソル分解に基づくモデル,ディープニューラルネットワークに基づくモデル,論理ルールに基づくモデル,ハイパーエッジ拡張に基づくモデルである。
第2の次元は、n-ary関係における実体的役割と位置の認識に基づいてモデルを分類し、それらを無意識、位置認識、役割認識のアプローチに分割する。
最後に、既存のデータセット、トレーニング設定と戦略について議論し、今後の研究を刺激するためのオープンな課題の概要を述べる。
関連論文リスト
- Relational Learning in Pre-Trained Models: A Theory from Hypergraph Recovery Perspective [60.64922606733441]
我々は,関係学習をハイパーグラフリカバリとして形式化する数学的モデルを導入し,基礎モデル(FM)の事前学習について検討する。
我々のフレームワークでは、世界はハイパーグラフとして表現され、データはハイパーエッジからランダムなサンプルとして抽象化される。我々は、このハイパーグラフを復元するための事前学習モデル(PTM)の有効性を理論的に検証し、ミニマックスに近い最適スタイルでデータ効率を解析する。
論文 参考訳（メタデータ） (2024-06-17T06:20:39Z) - KGLM: Integrating Knowledge Graph Structure in Language Models for Link
Prediction [0.0]
我々は、異なるエンティティと関係型を区別することを学ぶ新しいエンティティ/リレーション埋め込み層を導入する。
知識グラフから抽出したトリプルを用いて、この追加埋め込み層を用いて言語モデルをさらに事前学習し、続いて標準微調整フェーズにより、ベンチマークデータセット上のリンク予測タスクに対して、新しい最先端のパフォーマンスが設定されることを示す。
論文 参考訳（メタデータ） (2022-11-04T20:38:12Z) - Integrating Knowledge Graph embedding and pretrained Language Models in
Hypercomplex Spaces [29.71047521165222]
我々は、単一モジュラリティの既存の強表現の上に構築し、(i)単一モジュラリティ埋め込みと(ii)異なるモジュラリティ間の相互作用を表現するために超複素代数を使用する。
より具体的には、4次元超複素数のディヘドロンと四元数表現を、構造知識グラフの埋め込み、単語レベルの表現、文書レベルの表現という4つのモダリティを統合するよう提案する。
我々の統一ベクトル表現はハミルトン積とディヘドロン積を通じてラベル付きエッジの可算性を評価し、異なるモジュラリティ間のペアワイズ相互作用をモデル化する。
論文 参考訳（メタデータ） (2022-08-04T16:18:16Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳（メタデータ） (2022-04-30T12:57:02Z) - Learning Representations of Entities and Relations [0.0]
この論文は,リンク予測タスクに取り組むことを目的とした知識グラフ表現の改善に焦点を当てている。
最初のコントリビューションはHypERであり、リンク予測性能を単純化し改善する畳み込みモデルである。
第2のコントリビューションは比較的単純な線形モデルであるTuckERで、このモデルが導入された時点では、最先端のリンク予測性能が得られた。
第3の貢献は、双曲空間に埋め込まれた最初のマルチリレーショナルグラフ表現モデルである MuRP である。
論文 参考訳（メタデータ） (2022-01-31T09:24:43Z) - Unified Graph Structured Models for Video Understanding [93.72081456202672]
リレーショナル・テンポラル関係を明示的にモデル化するメッセージパッシンググラフニューラルネットワークを提案する。
本手法は,シーン内の関連エンティティ間の関係をより効果的にモデル化できることを示す。
論文 参考訳（メタデータ） (2021-03-29T14:37:35Z) - Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文 参考訳（メタデータ） (2020-06-29T01:01:42Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。